La plupart des plates-formes Internet modernes – Twitter, Facebook, YouTube, Instagram et Google News – ont un accord clair avec leur public. Lorsqu'ils sont disponibles, les utilisateurs donnent quelques minutes à la plate-forme et la plate-forme en retour leur sert de manière algorithmique des niches de contenu personnalisées dans un calendrier simple pour que cela en vaille la peine.

En revanche, la plupart des médias hors ligne - journaux, télévision, radio - ont produit et distribué du contenu pour une audience commune la plus élevée. Ce modèle s'est poursuivi dans la plupart des produits d'information numériques.

• La distribution se fait soit via des listes gérées manuellement par les équipes éditoriales, soit via des listes basées sur des requêtes comme les plus partagées, les plus vues, les plus commentées, etc.
• Les produits d'information offrent également une multitude de choix au public sous la forme de sections et de pages de destination. Le Times of India produit chaque jour plus de 1 500 articles répartis dans de nombreuses sections.

Pour y remédier, en février 2022, nous avons décidé d'explorer la distribution algorithmique, alias Recommandations et personnalisation, pour améliorer le plaisir du public et augmenter les taux de clics.

Stratégiquement, la personnalisation est un investissement valable pour toute entreprise de médias. Cela peut augmenter vos revenus provenant des publicités. La personnalisation augmente le nombre de pages par session, c'est-à-dire le nombre de pages qu'un utilisateur voit après avoir atteint votre plate-forme. Cela peut avoir un impact positif sur les impressions et donc sur les revenus des publicités.

Cependant, déployer un système de personnalisation à part entière à l'échelle du Times of India n'est pas simple. Par conséquent, nous avons décidé de limiter la portée de la première version au seul TOI Plus, notre produit d'actualités par abonnement.

Interface utilisateur

Nous avons décidé d'implémenter trois widgets :

1. Lire la suite : Au bas d'un article, le widget Lire la suite fournit une liste d'histoires recommandées. L'utilisateur doit cliquer sur l'une de ces histoires.

2. Up Next : Les histoires recommandées dans Up Next seront automatiquement chargées une fois que l'utilisateur aura fini de lire l'histoire en cours.

3. Ceinture utilitaire : cette fonctionnalité crée une affinité avec les auteurs célèbres, les podcasts premium et le contenu vidéo.

Algorithme

Pour notre première construction rapide et sale, nous avons décidé de réutiliser deux investissements existants :

Le premier était une nouvelle taxonomie pour TOI Plus qui était beaucoup plus granulaire que les sections/catégories déjà utilisées. Nous avons décidé de le réutiliser comme proxy pour la similarité du contenu. Pour trouver un contenu similaire, nous filtrerions les histoires qui ne provenaient pas de la sous-arborescence pertinente. La solution était hacky parce que la relation était limitée au niveau du sujet au lieu du niveau de l'histoire.

Le second était Signals, un algorithme de classement des histoires qui classait chaque histoire TOI Plus en fonction de sa valeur de conversion et de sa valeur de rétention. Les éditeurs de TOI Plus ont utilisé Signals pour savoir quels auteurs, agences, nature du contenu, sections, sujets, etc. fournissent le plus de conversion.

Mise à niveau de l'algorithme : pour tenir compte de la récence des actualités, nous avons ajouté un score de fraîcheur à Signals. Nous avons découvert l'âge de l'article (aujourd'hui moins la date de publication), puis nous avons réduit de manière exponentielle la pertinence de l'âge. Le nombre final a été normalisé puis ajouté en tant que facteur supplémentaire pour calculer un score de recommandation.

Comptabilisation du statut de l'utilisateur : si l'utilisateur était un abonné, nous classerions les histoires par valeur de rétention, sinon par valeur de conversion.

Prise en compte de la diversité : La similarité du contenu amenait le public au plus profond de ce qu'il lisait. Cependant, nous avions également besoin d'un moyen de présenter des histoires différentes du sujet traité. Par conséquent, nous avons décidé de lancer deux widgets. Le deuxième widget présenterait les classiques et les histoires les plus récentes.

Préparation des API pour la production : un autre défi était que les signaux d'origine étaient conçus pour l'analyse hors ligne et non comme une API de recommandations. Par conséquent, nous avons décidé de configurer SPARK pour pré-calculer un JSON digne de conversion et de rétention pour chaque nœud d'arbre de taxonomie et le garder prêt. En fonction de l'utilisateur et de la situation, nous choisirons l'un de ces JSON et servirons le frontal.

Résultat

Les données ci-dessous concernent la période entre août 2022 et décembre 2022.

Sur le navigateur

Les abonnés

• 8,44 % des abonnés au contenu TOI+ qui voient nos widgets à l'intérieur des articles cliquent sur une autre histoire : 5,31 % de Read Next et 3,13 % de Up Next.
• 2,67 % des abonnés au contenu TOI qui voient nos widgets Lire la suite cliquent sur une autre histoire.
• 1,39 % des abonnés au contenu TOI qui voient la ceinture utilitaire sur la page d'accueil bondée de TOI sur le navigateur cliquent.

• 5,14 % des non-abonnés qui voient la ceinture utilitaire sur la page d'accueil TOI+ sur le navigateur cliquent.
• 2,88 % des non-abonnés au contenu TOI+ qui voient nos widgets Lire la suite à l'intérieur des articles cliquent sur une autre histoire.

• 9,66 % des abonnés qui voient nos widgets à l'intérieur des articles cliquent sur une autre histoire. Tout cela provient de Read Next car nous n'avons pas implémenté Up Next sur Android.
• 3,84 % des utilisateurs non abonnés qui voient nos widgets Lire la suite à l'intérieur des articles cliquent sur une autre histoire.

Il y a des limites évidentes à ce que nous avons construit :

• Le flux n'est pas vraiment personnalisé. C'est juste mieux classé.
• Les deux widgets READ NEXT ajoutent à l'encombrement visuel. Tout système personnalisé moderne n'ajoute pas à la fragmentation des choix. Nous visons à l'éliminer et à intégrer la diversité dans un seul widget.
• L'algorithme n'intègre pas de boucle de rétroaction. Si une histoire a été recommandée et qu'elle a entraîné plus de CTR, cette information doit être ajoutée au modèle sous une forme ou une autre
• Nous n'avons pris en compte que les données historiques de performance des histoires pour générer le classement des histoires, il n'y a donc aucune disposition pour les histoires nouvellement publiées.
• La similarité du contenu se situe au niveau du sujet plutôt qu'au niveau de l'histoire.

Et avant de signer le bouchon d'embauche habituel - Nous avons des ouvertures pour les scientifiques des données (AI / ML). DM ouvert @ritvvijparrikh .

Crédits:

• Algorithme : Karn Bhushan, Manish Mishra
• Tableau de bord : Ronak Bhandari
• Conception : Jay Kedia, Rahul Das
• Ingénierie : Afzal Lakdawala, Akash Ingole, Harsh Goyal, Sanjeev Kotnala, Shaleen Jain
• Reportage : Pankaj Bisht, Rishi Sachar
• Produit : Ritvvij Parrikh